Escolar Documentos
Profissional Documentos
Cultura Documentos
!"
Tpicos abordados
1.1. Projeto HMLT 1.1. Inteligncia: Humana e Artificial 1.2. Aprendizado de mquinas
2.1. Conceitos Bsicos 2.2. Representao de Conhecimentos 2.3. Modelos de RNAs 2.4. Aprendizado Neural 2.5. Discusso: vantagens / desvantagens
3. Processamento de Imagens
3.1. Conceitos e Aplicaes 3.1.1. Tratamento de Imagens 3.1.2. Reconhecimento de Padres 3.2. Processamento de Imagens Convencional 3.3. Processamento de Imagens Neural 3.4. Exemplos de Aplicaes: OCR, Filtros, etc.
2
6. Concluses e Perspectivas
Introduo
Inteligncia Humana Inteligncia Artificial
Projeto de Pesquisa HMLT - Hybrid Machine Learning Tools Ferramentas Hbridas de Aprendizado para o Mquinas
Bolsistas de Iniciao Cientfica..... Carla Medeiros Barros Joo Ricardo de Bittencourt Menezes Rafael Guterres Jeffman
- O que Inteligncia ?
- O que Inteligncia ? * Uso prtico de experincias e conhecimentos passados * Tomada de decises * Criar coisas novas (criatividade) * Saber o que eu sei (saber explicar) * Interao * Comunicao
6
* Associao de idias e conceitos * Concluir coisas * Capacidade de aprendizado * Acmulo de conhecimentos * Raciocnio: lgico, abstrato, deduo, analogia, induo, inferncia, sntese, anlise
- Sistemas Inteligentes:
* Sistemas Especialistas * Sistemas de Apoio ao Diagnstico e a Deciso * Reproduo de atividades tpicas dos seres humanos: Fala, Audio, Viso, Deslocamento, Manipulao de Objetos, etc. * Jogos: jogo da velha, xadrez, jogos de ao
- Sistemas Inteligentes:
Grandes Desafios:
Sentidos Humanos
Usurio
Base de Conhecimentos
Motor de Inferncia
Expert
Sistema de auxlio ao diagnstico de pacientes Mdico: 8 perguntas sobre os sintomas do paciente (resposta: S/N) Sintomas: 1 = Dor de Cabea, 2 = Febre, 3 = Problemas digestivos, ...
Base de Conhecimentos do Mdico 3 N S S N 4 S S N S 5 N S S S 6 S N N N 7 S N S S 8 S S N N Diagnstico Gripe Sem problemas Morte certa Morte certa
1 S S S S
2 S N N N
Criar uma rvore binria de deciso baseada na tabela de conhecimentos Consultas ao sistema:
10
S N
1 2
N
2
N S
3 3 3
N S
3
N
4
S N S N
4
S
4
N
5
S N
5 5
6 6
N
1 2 3 4 S S S N N S S S S N S N S N N S
7
N
???
Morre
11
Diagnstico Mdico
3 4 5 6
Gerais Tipo Discreto Continuo Discreto Discreto Discreto Neurolgicos Discreto Discreto
7 8
{normal, anormal} - 0/1 {myosis, intermedirio, mydriase} 0/1 0/1 0/1 {hipertonia, hipotonia} {vivos, diminudos}
10
11
12 13
Sintomas Varivel Sexo SEXE Temperatura TEMP Temp_Low Temp_Normal Temp_High Sintomas Estado CALME Foto-motores PHOTO (reao das pupilas) Olhar REGARD Estado das Pupilas - PUPIL Pupil_myosis Pupil_intermed Pupil_mydriase Tonus muscular - TONUS Reflexos dos tendes ROT Sintomas Presso Arterial - PAS PAS_Low PAS_Normal PAS_High Freqncia Cardaca - FC FC_Low FC_Normal FC_High Medida ECG QRS QRS_Normal QRS_Prolongado Intervalo QT QT Bexiga GLOBE_VESICAL cardiolgicos Contnuo Discreto Discreto Discreto Contnuo Discreto Discreto Discreto Continuo Discreto Discreto Discreto Urina Discreto {...} 0/1 0/1 0/1 {...} 0/1 0/1 0/1 {...} 0/1 0/1 {normal, prolongado} - 0/1 {sim, no} - 0/1
12
13
* Sistemas Especialistas de 1a. Gerao: - Aquisio manual de conhecimentos - Problemas: Base de Conhecimentos (regras e fatos)
* Sistemas Especialistas de 2a. Gerao: - Aquisio automtica de conhecimentos - Integrao de diferentes mtodos da I.A. Sistemas Hbridos
14
Inteligncia Artificial
Sistemas Especialistas KBS, robtica, viso artificial, ... CBR, ILP, induo de rvores de deciso, redes neurais algoritmos genticos, ... Mtodos Simblicos Mtodos baseados em: Redes Neurais Artificiais Regras Fuzzy Regras Bayesianas (probab.)
15
Sistemas Inteligentes
Aprendizado de Mquinas
Representao de Conhecimentos
- O que o aprendizado?
16
XOR
Se existem 2 casas na horizontal, vertical ou diagonal com uma marca do jogador oponente e a terceira casa est livre Ento jogar nesta casa!
X O3 X4
Aprendizado por analogia / por instncias Sistemas baseados em casos CBR - Case Based Reasoning
Aprendizado por Induo Induo de rvores de Deciso ID3, C4.5, CN2 - Induction of Decision Trees ILP - Inductive Logic Programming (Prolog)
Redes Neurais Artificiais: Neurnio... Modelo Simulado Modelo SIMPLIFICADO Caractersticas Bsicas: Adaptao Aprendizado Autmato Representao de Conhecimentos: Baseada em Conexes
20
PSYCHON
Sada McCulloch & Pitts 1943 Integrador de Estmulos
Entradas Excitatrias
Entradas Inibitrias
21
X1
Entradas
(Dendritos)
X2
XN
Perceptron
NEURAL
... ...
WN
(Efeito de inibio ou de excitao sobre a ativao dos sinais de entrada)
W1
W2
Pesos Sinpticos
Ativao
(Considera o conjunto total das entradas e dos seus pesos associados)
Sada
(Axnio: Conexes com as Sinapses de outras unidades)
22
X1
Entradas
(Dendritos)
X2
XN
NEURAL
... ...
WN Rede Neural com (Efeito de inibio ou de excitao apenas sobre a ativao dos sinais de entrada)
Ativao Pesos Sinpticos
W1
W2
2 entradas:
(Considera o conjunto total das Sada = Wi.Xi + entradas e dos seus pesos associados)
Biais
= W 1 . X + W2 . Y + C
Sada
(Axnio: Conexes com as Sinapses de outras unidades)
23
Sada =
= W 1 . X + W2 . Y + C
0 0 0 1
Y
(1,1)
(0,1)
0
(0,0)
0
(1,0)
24
Sada =
= W 1 . X + W2 . Y + C
0 0 0 1
Y
(1,1)
(0,1)
0
(0,0)
0
(1,0)
25
+1
- Classe B A Y1 P(X 1,Y 1) A A A A A A A A A A A B A Entradas: X, Y B B B A A
- Classe A
A A
B B X1 B A
-1
B B B B B B B
Entrada X
+1
-1
Reta: X*W1+Y*W2=0
26
Sada
Camada
Unit i
Oculta
Entradas
27
Sadas
Camadas Ocultas
Entradas
A B
(b) Rede com atalhos
A
(d) Rede recorrente
B
(e) Rede de ordem superior
28
Y2
A A A A A A A
Y1
B B B B B B B B B B B B B B C C C C C A A A A A A A A A A A C CC C C C C
Prottipos: * Centro de Gravidade * Raio de influncia (x,y) Teste de similaridade: * Distncia Euclidiana
Y3
X1
X2
X3
X
29
* Redes baseadas em Perceptrons (MLP - Multi-Layer Perceptron) * Redes baseadas em Prottipos (RBF - Radial Basis Function)
* Redes com estrutura esttica (no altera sua estrutura) * Redes com estrutura dinmica (altera a estrutura)
30
Em relao ao aprendizado:
* Aprendizado supervisionado * Aprendizado semi-supervisionado (reinforcement learning) * Aprendizado no supervisionado (self-organizing, clustering)
* Usar apenas uma base de exemplos de aprendizado * Usar uma base de aprendizado e uma base de teste de generalizao
31
Mnimos Locais
Mnimo Global
REGRA DELTA:
Erro = Erro estimado na sada de um neurnio SD = Sada Desejada (valor desejado de sada do aprendizado supervisionado) SN = Sada Rede (valor de sada que foi obtido pela ativao do neurnio)
Peso_Novo(i) = Peso da entrada i de um neurnio, aps a adaptao Peso_Antigo(i) = Peso da entrada i de um neurnio, antes da adaptao Entrada(i) = Valor da entrada i de um neurnio = Fator de ajuste aplicado aos pesos (valor entre 0 e 1)
33
Erro quadrtico:
E Wij
Derivao da regra de reajuste dos pesos (Neurnios da camada de sada - sada linear)
Erro quadrtico:
E Wij
Derivao da regra de reajuste dos pesos E Si E (Neurnios da camada de sada - usando a sigmoide) = = i Xj Si Wij Wij E E Ai = = - (Di - Ai).Fa'(Si) = i Si Ai Si E = - (Di - Ai) Ai Ai = Fa'(Si) Si Si = Xj Wij 1 Fa'(x) = Fa(x).(1 - Fa(x)) Fa ( x ) = 1 + ex Fa'(Si) = Fa(Si).(1 - Fa(Si)) = Ai.(1 - Ai) Fa(x) = tanh (x) Fa'(x) = (1 - Fa(x).Fa(x)) Fa'(Si) = (1 - Fa(Si).Fa(Si)) = (1 - Ai.Ai) Wij = . i.Xj = .(Di - Ai).Fa'(Si).Xj
35
Erro quadrtico:
E Wij
E E Si = = i Xj Wij Si Wij E E Ai = = - Fa'(Si). kWki = i Si Ai Si k E Sk E E = = WhkAh = ... Sk Ai Sk Ai h Ai k k E Wki = kWki ... = Sk k k Ai = Fa'(Si) Si Si = Xj Wij Wij = . i.Xj = .Xj.Fa'(Si). kWki
k
Derivao da regra de reajuste dos pesos (Camada intermediria da rede = Hidden Layer)
36
APRENDIZADO: GENERALIZAO
Aprendizado: Parada tardia Dados de Teste
Dados de Teste
Dados de Aprendizado
Nmero de pocas
37
Previso de Sries Temporais: Cotaes da Bolsa de Valores, Dados Econmicos, Consumo de Energia Eltrica, Metereologia, etc;
Robtica Inteligente;
39
Concluso e Perspectivas
* Processamento de Imagens: rea de estudos de grande interesse para a I.A. Viso Artificial - Desafio
* Processamento de Imagens usando Sistemas Inteligentes: Redes Neurais - Ferramenta bastante adequada para se tratar imagens
* Redes Neurais aplicadas ao processamento de imagens: Tratamento de Imagens / Reconhecimento e Classificao de Imagens
* Tendncia: Sistemas Hbridos Integrar => Pr-Processamento, Ps-Procesamento Cooperao - Multi-agente, Modular Tarefas complexas e de alto nvel
40